카오스 기반 프로토넷: 소량 의료 영상 분류

신경방사선학 분야에서 데이터 부족은 소량 학습(Few-shot learning)의 주요 과제이며, 프로토타입 네트워크(ProtoNets)는 이를 해결하는 데 기여합니다. 그러나 기존 ProtoNets는 높은 클래스 내 분산과 MRI 아티팩트로 인해 프로토타입 드리프트 및 기하학적 불안정성에 취약합니다. 본 연구는 이러한 문제를 해결하면서도 모델 복잡도를 최소화하는 새로운 접근 방식을 제안합니다. 이를 위해 미세 조정된 ResNet-18 백본과 결정론적 로지스틱 카오스 모듈(Logistic Chaos Module, LCM)로 구성된 카오스 강화 프로토타입 네트워크(CE-ProtoNet)를 소개합니다. LCM은 에피소드 메타 학습 과정에서 연속적인 클래스 내 변화를 모방하기 위해 공간 채움(space-filling) 및 경계가 있는 섭동(perturbations)을 주입합니다. 4-way 5-shot 뇌종양 MRI 벤치마크에서 5가지 무작위 시드를 사용하여 CE-ProtoNet을 평가한 결과, 88.56%의 최고 정확도(평균 86.47% ± 1.79%), 95.49%의 평균 특이도(최고 96.19%), 0.9696의 평균 AUC(최고 0.9746)를 달성했습니다. 이는 기준 ProtoNets(79.34% ± 1.02%) 및 등방성 노이즈 주입(85.45% ± 0.88%)을 크게 능가하며, ProtoMed(86.58% ± 0.86%)와 같은 전문 프레임워크를 뛰어넘고 Vision Transformers(ViT-B/16, 최고 88.24%)와 유사한 성능을 보였습니다. CE-ProtoNet은 추가 매개변수나 지연 시간(< 1.84%) 없이 뛰어난 진단 충실도를 제공하는 경량 매니폴드 탐색기입니다. 이 연구는 의료 영상 분류에서 소량 학습의 한계를 극복하고, 실제 임상 환경에 적용 가능한 효율적인 솔루션을 제시합니다.